社会空间自组织映射：利用社交媒体评估社会过程暴露的相关地理区域

社交媒体为了解种族主义和恐同态度等态度提供了独特窗口，这些态度的暴露是重要的、难以衡量且研究不足的健康社会决定因素。然而，来自社交媒体的个人地理定位观察存在噪声且地理上不一致。现有衡量暴露的区域划分方式，如邮政编码，会对行政边界进行平均处理从而忽略无关信息。因此，为enable对社交媒体态度等在线社会环境措施及其与健康结果可能关系的研究，首先需要一种方法来定义区域内社交媒体态度的集体潜在程度。为此，我们创建了社会空间自组织映射"SS-SOM"流程，以根据Twitter帖子中隐藏的社会态度来最佳识别区域。SS-SOM使用神经嵌入进行文本分类，并增强传统SOM生成受控数量的非重叠、拓扑受限且主题相似的聚类。我们发现，SS-SOM不仅对缺失数据具有鲁棒性，而且使用SS-SOM测量方法时，一组易受多种种族主义和恐同相关健康结果影响的男性队列的暴露量与使用基于邮政编码的测量方法相比变化高达42%。